[发明专利]基于支持向量机的阿尔茨海默症特征分类方法及系统

说明书

本发明公开了一种基于支持向量机的阿尔茨海默症特征分类方法及系统，方法包括：获取阿尔茨海默症的磁共振成像数据；采用改进的遗传算法对获取的磁共振成像数据进行特征寻优，得到阿尔茨海默症的关键特征；根据提取出的关键特征采用支持向量机分类器对待分类数据进行分类，得到阿尔茨海默症的分类结果。系统包括数据获取模块、特征寻优模块和分类模块。装置包括存储器和处理器。本发明通过改进的遗传算法以平均分类准确率作为适应度值来提升阿尔茨海默症的特征提取效率，同时通过支持向量机分类器保证了阿尔茨海默症的分类性能，直观，容易实现，泛化能力强，且有良好的识别表现。本发明可广泛应用于计算机辅助诊断领域。

技术领域

本发明涉及计算机辅助诊断领域，尤其是一种基于支持向量机的阿尔茨海默症特征分类方法及系统。

背景技术

阿尔茨海默症(Alzheimer's Disease，AD)是一种不可逆的慢性神经系统退行性疾病，是一种持续性高级神经功能活动障碍。AD现有的药物治疗手段非常有限，但早期准确发现、治疗能减缓疾病进程。轻度认知损害(Mild Cognitive Impairment，MCI)是介于正常健康者(Health Controllers，HC)和AD之间的过渡阶段，MCI患者是AD的高危人群。国内外的研究指出，AD的重要病理学征象和生物标示，可以通过磁共振成像(Magnetic ResonanceImaging，MRI)进行测量。从MRI提取有效特征，以对AD、MCI和HC三个阶段进行分类识别的方法，是近年来研究的热点。

MRI具有“高维度”和“信息量大”的特点，但并非从MRI中提取到的所有特征都对AD的分类起到关键作用。从MRI提供的大量特征中寻找到用以区分AD、MCI和HC三个阶段的关键特征，成为当前研究工作的重点。但是，遍历特征的所有组合情况是一个NP难(Nondeterminism Polynomial-Hard，NP-Hard)问题，因此在特征选择方法上，需要选择高效方法。

遗传算法(GA)是以自然选择和遗传理论为基础，将生物进化过程中适者生存规则与群体内部染色体的随机信息交换机制相结合的搜索算法。它在搜索之前，先将变量以某种形式进行编码(编码后的变量称为染色体)，不同的染色体构成一个群体。对于群体中的染色体，将以某种方法评估出其适应值。该算法作为模拟自然界生物进化过程与机制求解问题的一类自组织与自适应的人工智能技术，已广泛应用于计算机科学、人工智能、信息技术及工程实践。根据实际研究问题的特殊性，研究学者提出了很多关于GA的进一步优化算法。

在特征分类的问题上，可选的分类模型有很多而且分类效果相当。但是，在这些分类模型中，支持向量机(SVM)的方法已表现出很多优于已有方法的性能。一些学者认为，SVM正在成为继神经网络研究之后新的研究热点，并将推动机器学习理论和技术有重大的发展。支持向量机的方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度，Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力(Generalizatin Ability)。支持向量机的方法的几个主要优点有：1.它是专门针对有限样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值；2.它最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题；3.它将实际问题通过非线性变换转换到高维的特征空间(Feature Space)，在高维空间中构造线性判别函数来实现原空间中的非线性判别函数，该特殊性质能保证机器有较好的推广能力，同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关；在SVM方法中，只要定义不同的内积函数，就可以实现多项式逼近、贝叶斯分类器、径向基函数(Radial Basic Function或RBF)方法、多层感知器网络等许多现有学习算法。

然而，目前尚未见到将遗传算法和支持向量机的方法相结合来进行阿尔茨海默症特征提取与分类的报道，阿尔茨海默症的特征提取的效率和分类效果有待进一步提升。

发明内容